Probabilidade e Estatística 2011/2
|
|
- Ana Carolina Castelo Anjos
- 7 Há anos
- Visualizações:
Transcrição
1 Probabilidade e Estatística 2011/2 Prof. Fernando Deeke Sasse fernandodeeke@gmail.com Departamento de Matemática CCT - UDESC 1
2 1. O papel da Estatística na Engenharia 1.O método da engenharia (científico) e o pensamento estatístico 2.Coleta de dados 3.Modelos mecanísticos e empíricos 4.Modelos de probabilidade 2
3 1-1 Método científico e Pensamento Estatístico Passos: 3
4 1-1 Método científico e Pensamento Estatístico Passos: 1. Desenvolva uma descrição clara e concisa do problema. 3
5 1-1 Método científico e Pensamento Estatístico Passos: 1. Desenvolva uma descrição clara e concisa do problema. 2. Identifique, ao menos tentativamente, os fatores importantes que afetam este problema ou que podem desempenhar um papel na sua solução. 3
6 1-1 Método científico e Pensamento Estatístico Passos: 1. Desenvolva uma descrição clara e concisa do problema. 2. Identifique, ao menos tentativamente, os fatores importantes que afetam este problema ou que podem desempenhar um papel na sua solução. 3. Proponha um modelo para o problema, usando o conhecimento científico/de engenharia do fenômeno estudado. Estabeleça as limitações ou suposições do modelo. 3
7 1-1 Método científico e Pensamento Estatístico Passos: 1. Desenvolva uma descrição clara e concisa do problema. 2. Identifique, ao menos tentativamente, os fatores importantes que afetam este problema ou que podem desempenhar um papel na sua solução. 3. Proponha um modelo para o problema, usando o conhecimento científico/de engenharia do fenômeno estudado. Estabeleça as limitações ou suposições do modelo. 4. Realize experimentos apropriados e colete dados para testar ou validar o modelo tentativo ou conclusões feitas nos passos 2 e 3. 3
8 4
9 Passos (cont.) : 4
10 Passos (cont.) : 5. Refine o modelo com base nos dados observacionais. 4
11 Passos (cont.) : 5. Refine o modelo com base nos dados observacionais. 6. Manipule o modelo como modo de desenvolver uma solução para o problema. 4
12 Passos (cont.) : 5. Refine o modelo com base nos dados observacionais. 6. Manipule o modelo como modo de desenvolver uma solução para o problema. 7. Conduza um experimento apropriadoparato confirmar que a solução proposta do problemas é efetiva e eficiente. 4
13 Passos (cont.) : 5. Refine o modelo com base nos dados observacionais. 6. Manipule o modelo como modo de desenvolver uma solução para o problema. 7. Conduza um experimento apropriadoparato confirmar que a solução proposta do problemas é efetiva e eficiente. 8. Chegue a conclusões ou faça recomendações baseadas na solução do problema. 4
14 Resumo do Método Científico na Engenharia 5
15 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia 5
16 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia Identifique os fatores importantes 5
17 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia Identifique os fatores importantes Faça experimentos 5
18 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia Identifique os fatores importantes Faça experimentos Proponha ou refine um modelo 5
19 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia Identifique os fatores importantes Faça experimentos Proponha ou refine um modelo Manipule o modelo 5
20 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia Identifique os fatores importantes Faça experimentos Proponha ou refine um modelo Manipule o modelo Confirme a solução 5
21 Desenvolva uma clara descrição Resumo do Método Científico na Engenharia Identifique os fatores importantes Faça experimentos Proponha ou refine um modelo Manipule o modelo Confirme a solução Conclusões e recomendações 5
22 6
23 Estatística - lista com a coleta, apresentação, análise e uso de dados para tomar decisões, resolver problemas, elaborar produtos e processos. 6
24 Estatística - lista com a coleta, apresentação, análise e uso de dados para tomar decisões, resolver problemas, elaborar produtos e processos. Métodos estatísticos ajudam a descrever e entender variabilidade 6
25 Estatística - lista com a coleta, apresentação, análise e uso de dados para tomar decisões, resolver problemas, elaborar produtos e processos. Métodos estatísticos ajudam a descrever e entender variabilidade successivas observações de um sistema ou fenômeno não produzem exatamente o mesmo resultado. 6
26 7
27 Exemplo1: Variabilidade no consumo de combustível de um veículo 7
28 Exemplo1: Variabilidade no consumo de combustível de um veículo Potenciais fontes de variabilidade do sistema: 7
29 Exemplo1: Variabilidade no consumo de combustível de um veículo Potenciais fontes de variabilidade do sistema: Tipo de condições de estrada (cidade ou rodovia) Mudanças nas condições do veículo ao longo do tempo (pressão dos pneus, compressão, desgaste de válvulas) Marca ou categoria de gasolina utilizada 7
30 Exemplo1: Variabilidade no consumo de combustível de um veículo Potenciais fontes de variabilidade do sistema: Tipo de condições de estrada (cidade ou rodovia) Mudanças nas condições do veículo ao longo do tempo (pressão dos pneus, compressão, desgaste de válvulas) Marca ou categoria de gasolina utilizada Condições meteorológicas 7
31 Exemplo1: Variabilidade no consumo de combustível de um veículo Potenciais fontes de variabilidade do sistema: Tipo de condições de estrada (cidade ou rodovia) Mudanças nas condições do veículo ao longo do tempo (pressão dos pneus, compressão, desgaste de válvulas) Marca ou categoria de gasolina utilizada Condições meteorológicas Modo de dirigir 7
32 Exemplo1: Variabilidade no consumo de combustível de um veículo Potenciais fontes de variabilidade do sistema: Tipo de condições de estrada (cidade ou rodovia) Mudanças nas condições do veículo ao longo do tempo (pressão dos pneus, compressão, desgaste de válvulas) Marca ou categoria de gasolina utilizada Condições meteorológicas Modo de dirigir Outros fatores 7
33 Exemplo1: Variabilidade no consumo de combustível de um veículo Potenciais fontes de variabilidade do sistema: Tipo de condições de estrada (cidade ou rodovia) Mudanças nas condições do veículo ao longo do tempo (pressão dos pneus, compressão, desgaste de válvulas) Marca ou categoria de gasolina utilizada Condições meteorológicas Modo de dirigir Outros fatores Estatística: fornece uma teoria para analisar estas fontes de variabilidade (quais as mais importantes?) de forma quantitativa. 7
34 8
35 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor 8
36 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos 8
37 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in 8
38 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in Qual o efeito desta especificação na força de resistência do conector? 8
39 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in Qual o efeito desta especificação na força de resistência do conector? Conector pode falhar quando a força é muito pequena 8
40 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in Qual o efeito desta especificação na força de resistência do conector? Conector pode falhar quando a força é muito pequena Força de resistência X de 8 protótipos de espessura 3/32 in. (pounds) 8
41 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in Qual o efeito desta especificação na força de resistência do conector? Conector pode falhar quando a força é muito pequena Força de resistência X de 8 protótipos de espessura 3/32 in. (pounds) 12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6,
42 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in Qual o efeito desta especificação na força de resistência do conector? Conector pode falhar quando a força é muito pequena Força de resistência X de 8 protótipos de espessura 3/32 in. (pounds) constante 12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, Perturbação randômica Variável randômica 8
43 Exemplo 2 : Confecção de um conector de nylon a ser usado num motor Problema: Determinar a especificação da espessura da parede nos conectores a serem produzidos Especificação esperada: 3/32 in Qual o efeito desta especificação na força de resistência do conector? Conector pode falhar quando a força é muito pequena Força de resistência X de 8 protótipos de espessura 3/32 in. (pounds) constante 12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, X = µ +ε Perturbação randômica Variável randômica 8
44 9
45 Diagrama de pontos: evidenciam a localização e a variabilidade 9
46 Diagrama de pontos: evidenciam a localização e a variabilidade Média: > with(stats): > X:=[12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, 13.1]: > describe[mean](x);
47 Diagrama de pontos: evidenciam a localização e a variabilidade Média: > with(stats): > X:=[12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, 13.1]: > describe[mean](x); Engenheiro crê que tal valor da força pode ser muito baixo para atender as especificações desta aplicação. 9
48 Diagrama de pontos: evidenciam a localização e a variabilidade Média: > with(stats): > X:=[12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, 13.1]: > describe[mean](x); Engenheiro crê que tal valor da força pode ser muito baixo para atender as especificações desta aplicação. Design alternativo com espessura maior: 1/8 in 9
49 Força ( 1/8 in) 12.9, 13.7, 12.8, 13.9, 14.2, 13.2, 13.5, Média : 13.4 Tais resultados parecem indicar que um aumento na espessura Da parede resultou num aumento da força de resistência. 10
50 11
51 Algumas questões: 11
52 Algumas questões: Como sabemos que outra amostra de protótipos não dará diferentes resultados? 11
53 Algumas questões: Como sabemos que outra amostra de protótipos não dará diferentes resultados? Uma amostra de oito protótipos é adequada para dar resultados confiáveis? 11
54 Algumas questões: Como sabemos que outra amostra de protótipos não dará diferentes resultados? Uma amostra de oito protótipos é adequada para dar resultados confiáveis? Se usarmos os resultados dos obtidos até agora para concluir que o aumento da espessura da parede aumenta a resistência, quais são os riscos associados com esta decisão? 11
55 Algumas questões: Como sabemos que outra amostra de protótipos não dará diferentes resultados? Uma amostra de oito protótipos é adequada para dar resultados confiáveis? Se usarmos os resultados dos obtidos até agora para concluir que o aumento da espessura da parede aumenta a resistência, quais são os riscos associados com esta decisão? É possível que o aparente aumento da força de resistência observado nos protótipos de maior espessura seja devido somente à variabilidade inerente do sistema e que o aumento da espessura do elemento (e de seu custo) não tenha realmente qualquer efeito na força de resistência? 11
56 Inferência estatística Estabilidade das fontes de variabilidade Generalização de observações de amostras para a Totalidade da população Incertezas e riscos devem ser quantificados 12
57 Estudo enumerativo: uma amostra é utilizada para fazer uma inferência sobre a população da qual a amostra é retirada Estudo analítico: uma amostra é utilizada para fazer uma inferência sobre uma população ainda não existente (futura). Análise estatística Estabilidade 13
58 14
59 1-2 Coleta de dados 1. Estudo retrospectivo usando dados históricos 2. Estudo observacional 3. Experimento projetado 4. Observação de processos ao longo do tempo 15
60 1-2.1 Estudo retrospectivo 16
61 1-2.1 Estudo retrospectivo Sistema: Coluna de destilação acetona-alcool butílico 16
62 1-2.1 Estudo retrospectivo Sistema: Coluna de destilação acetona-alcool butílico Variável de estudo: Concentração de acetona 16
63 1-2.1 Estudo retrospectivo Sistema: Coluna de destilação acetona-alcool butílico Fatores que podem afetar o destilado 1. Temperatura de re-ebulição 2. Temperatura do condensado 3. Taxa de refluxo Variável de estudo: Concentração de acetona 16
64 17
65 Dados arquivados: 17
66 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora 17
67 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora do produto de saída 17
68 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora do produto de saída 1. Gráfico da temperatura de reebulição com o tempo 17
69 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora do produto de saída 1. Gráfico da temperatura de reebulição com o tempo 2. Log da temperatura do condensador 17
70 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora do produto de saída 1. Gráfico da temperatura de reebulição com o tempo 2. Log da temperatura do condensador ( constante 3. Taxa de refluxo nominal a cada hora (normalmente mantido 17
71 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora do produto de saída 1. Gráfico da temperatura de reebulição com o tempo 2. Log da temperatura do condensador ( constante 3. Taxa de refluxo nominal a cada hora (normalmente mantido Possível objetivo de estudo: descobrir as relações entre as duas temperaturas e a taxa de refluxo na concentração de acetona do produto final. 17
72 Dados arquivados: 1. Concentração de acetona em uma amostragem a cada hora do produto de saída 1. Gráfico da temperatura de reebulição com o tempo 2. Log da temperatura do condensador ( constante 3. Taxa de refluxo nominal a cada hora (normalmente mantido Possível objetivo de estudo: descobrir as relações entre as duas temperaturas e a taxa de refluxo na concentração de acetona do produto final. O estudo pode envolver todos os dados arquivados em um período de tempo, ou somente uma amostra 17
73 18
74 Possíveis problemas deste tipo de estudo: 18
75 Possíveis problemas deste tipo de estudo: 18
76 Possíveis problemas deste tipo de estudo: 1. Podemos não ser capazes de ver a relação entre a taxa de refluxo e a concentração de acetona, pois a taxa de refluxo não mudou muito ao longo do tempo considerado. 18
77 Possíveis problemas deste tipo de estudo: 1. Podemos não ser capazes de ver a relação entre a taxa de refluxo e a concentração de acetona, pois a taxa de refluxo não mudou muito ao longo do tempo considerado. 2. Os dados arquivados das duas temperaturas (que são arquivados quase constinuamente) não correspondem perfeitamente às medidas de concentração de acetona (feitas a cada hora). Não é óbvio como construir uma correspondência aproximada. 18
78 Possíveis problemas deste tipo de estudo: 1. Podemos não ser capazes de ver a relação entre a taxa de refluxo e a concentração de acetona, pois a taxa de refluxo não mudou muito ao longo do tempo considerado. 2. Os dados arquivados das duas temperaturas (que são arquivados quase constinuamente) não correspondem perfeitamente às medidas de concentração de acetona (feitas a cada hora). Não é óbvio como construir uma correspondência aproximada. 1. A produção mantém as duas temperaturas tão próximas quanto possível a valores determinados. Como as temperaturas mudam tão pouco, pode ser difícil obter seu impacto real na concentração de acetona. 18
79 Possíveis problemas deste tipo de estudo: 1. Podemos não ser capazes de ver a relação entre a taxa de refluxo e a concentração de acetona, pois a taxa de refluxo não mudou muito ao longo do tempo considerado. 2. Os dados arquivados das duas temperaturas (que são arquivados quase constinuamente) não correspondem perfeitamente às medidas de concentração de acetona (feitas a cada hora). Não é óbvio como construir uma correspondência aproximada. 1. A produção mantém as duas temperaturas tão próximas quanto possível a valores determinados. Como as temperaturas mudam tão pouco, pode ser difícil obter seu impacto real na concentração de acetona. 2. Dentro dos limitados intervalos de possível variação, a temperatura do condensado tende a subir com a temperatura de reebulição. Conseqüentemente, os efeitos dessas duas variáveis de processo na concentração de acetona podem ser difíceis de serem separados. 18
80 Em geral, 19
81 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. 19
82 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. Alguns dos dados relevantes podem estar ausentes. 19
83 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. Alguns dos dados relevantes podem estar ausentes. Podem haver erros de transcrição resultando em valores não usuais. 19
84 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. Alguns dos dados relevantes podem estar ausentes. Podem haver erros de transcrição resultando em valores não usuais. Dados sobre outros fatores importantes podem não ter sido coletados e arquivados. 19
85 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. Alguns dos dados relevantes podem estar ausentes. Podem haver erros de transcrição resultando em valores não usuais. Dados sobre outros fatores importantes podem não ter sido coletados e arquivados. Na coluna de destilação, por exemplo, as concentrações específicas de álcool butílico e acetona no fluxo de entrada são um fator muito importante, mas elas não são arquivadas porque as concentrações são muito difíceis de serem obtidas rotineiramente. 19
86 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. Alguns dos dados relevantes podem estar ausentes. Podem haver erros de transcrição resultando em valores não usuais. Dados sobre outros fatores importantes podem não ter sido coletados e arquivados. 19
87 Em geral, Estudo retrospectivo pode envolver muitos dados, mas poucos com informações realmente úteis. Alguns dos dados relevantes podem estar ausentes. Podem haver erros de transcrição resultando em valores não usuais. Dados sobre outros fatores importantes podem não ter sido coletados e arquivados. Análises estatísticas de dados históricos algumas vezes identificam fenômenos interessantes, mas explicações sólidas e confiáveis destes fenômenos são frequentemente difíceis de serem obtidas. 19
88 1-2.2 Estudo observacional 20
89 1-2.2 Estudo observacional O engenheiro observa o processo ou população, perturbando o sistema minimamente, anotando as quantidades de interesse. 20
90 1-2.2 Estudo observacional O engenheiro observa o processo ou população, perturbando o sistema minimamente, anotando as quantidades de interesse. Como tais estudos são usualmente conduzidos em um curto período de tempo, algumas vezes variáveis que não são medidas rotineiramente podem ser incluídas. 20
91 1-2.2 Estudo observacional O engenheiro observa o processo ou população, perturbando o sistema minimamente, anotando as quantidades de interesse. Como tais estudos são usualmente conduzidos em um curto período de tempo, algumas vezes variáveis que não são medidas rotineiramente podem ser incluídas. No exemplo da coluna de destilação, o engenheiro elaboraria um formulário para registrar as duas temperaturas e a taxa de refluxo quando as medidas de concentração de acetona são feitas. 20
92 1-2.2 Estudo observacional O engenheiro observa o processo ou população, perturbando o sistema minimamente, anotando as quantidades de interesse. Como tais estudos são usualmente conduzidos em um curto período de tempo, algumas vezes variáveis que não são medidas rotineiramente podem ser incluídas. No exemplo da coluna de destilação, o engenheiro elaboraria um formulário para registrar as duas temperaturas e a taxa de refluxo quando as medidas de concentração de acetona são feitas. É possível ainda medir as concentrações na entrada, de modo que o impacto destr fator pode ser medido. 20
93 1-2.2 Estudo observacional O engenheiro observa o processo ou população, perturbando o sistema minimamente, anotando as quantidades de interesse. Como tais estudos são usualmente conduzidos em um curto período de tempo, algumas vezes variáveis que não são medidas rotineiramente podem ser incluídas. No exemplo da coluna de destilação, o engenheiro elaboraria um formulário para registrar as duas temperaturas e a taxa de refluxo quando as medidas de concentração de acetona são feitas. É possível ainda medir as concentrações na entrada, de modo que o impacto destr fator pode ser medido.. Em geral, um estudo observacional tende a resolver os problemas 1 e 2, mas podem não resolver 3 e 4. 20
94 1-2.3 Experimento projetado 21
95 1-2.3 Experimento projetado O engenheiro faz mudanças nas variáveis controláveis do sistema ou processo, observa os dados de saída resultantes do sistema e então faz uma inferência ou decisão sobre que variáveis são responsáveis pelas observadas mundanças na performance de saída. 21
96 1-2.3 Experimento projetado O engenheiro faz mudanças nas variáveis controláveis do sistema ou processo, observa os dados de saída resultantes do sistema e então faz uma inferência ou decisão sobre que variáveis são responsáveis pelas observadas mundanças na performance de saída. Em geral, quando produtos e processos são planejados e desenvolvidos com experimentos projetados, eles tendo uma melhor performance, maior confiabilidade e menores custos totais. 21
97 1-2.3 Experimento projetado O engenheiro faz mudanças nas variáveis controláveis do sistema ou processo, observa os dados de saída resultantes do sistema e então faz uma inferência ou decisão sobre que variáveis são responsáveis pelas observadas mundanças na performance de saída. Em geral, quando produtos e processos são planejados e desenvolvidos com experimentos projetados, eles tendo uma melhor performance, maior confiabilidade e menores custos totais. Hipótese: uma asserção sobre algum aspecto do sistema no qual estamos interessados. 21
98 Exemplo da manufatura do conector de nylon: 22
99 Exemplo da manufatura do conector de nylon: Teste de hipótese: Por exemplo, o engenheiro poderia querer saber se a força média de resistência de um design de 3/32 in poderia exceder a máxima carga esperada para este tipo de aplicação, por exemplo, lb. 22
100 Exemplo da manufatura do conector de nylon: Teste de hipótese: Por exemplo, o engenheiro poderia querer saber se a força média de resistência de um design de 3/32 in poderia exceder a máxima carga esperada para este tipo de aplicação, por exemplo, lb. Teste de hipótese de uma amostra 22
101 Exemplo da manufatura do conector de nylon: Teste de hipótese: Por exemplo, o engenheiro poderia querer saber se a força média de resistência de um design de 3/32 in poderia exceder a máxima carga esperada para este tipo de aplicação, por exemplo, lb. Teste de hipótese de uma amostra Estudo analítico 22
102 Exemplo da manufatura do conector de nylon: Teste de hipótese: Por exemplo, o engenheiro poderia querer saber se a força média de resistência de um design de 3/32 in poderia exceder a máxima carga esperada para este tipo de aplicação, por exemplo, lb. Teste de hipótese de uma amostra Estudo analítico Teste de hipótese de duas amostras 22
103 Exemplo da manufatura do conector de nylon: Teste de hipótese: Por exemplo, o engenheiro poderia querer saber se a força média de resistência de um design de 3/32 in poderia exceder a máxima carga esperada para este tipo de aplicação, por exemplo, lb. Teste de hipótese de uma amostra Estudo analítico Teste de hipótese de duas amostras Comparação dos conectores de espessura 3/32 e 1/8 in para determinar se o aumento da espessura da parede do conector implica num aumento da força de resistência. 22
104 1-2.4 Observação de processos ao longo do tempo 23
105 1-2.4 Observação de processos ao longo do tempo Frequentemente dados são coletados ao longo do tempo 23
106 1-2.4 Observação de processos ao longo do tempo Frequentemente dados são coletados ao longo do tempo ( horárias Gráfico de pontos temporal (leituras Concentração de acetona 23
107 1-2.4 Observação de processos ao longo do tempo Frequentemente dados são coletados ao longo do tempo ( horárias Gráfico de pontos temporal (leituras Concentração de acetona O gráfico mostra grande variação de concentração, mas não explica a razão 23
108 Gráfico de série temporal fornece mais informação 24
109 Gráfico de série temporal fornece mais informação Desvio do nível médio do processo 24
110 Gráficos no Minitab MTB > name c1 'Strat1' MTB > random 100 'Strat1'; SUBC> normal 0 1. MTB > dotplot c1 MTB > tsplot c1 25
111 26
112 27
113 27
114 Estratégias para conduzir o processo: 1. O funil permanece imóvel e a distância até o alvo é registrada. 2. A primeira bola é lançada e sua localização relativamente ao alvo registrada. O funil é então movido numa direção igual e oposta, numa tentativa de compensar o erro. Tal tipo de ajuste é feito depois que cada bola é lançada. 29
115 30
116 ( simulação ) Resultado em séries temporais 30
117 Os ajustes do funil aumentaram os desvios do alvo. 2 vezes maior com a estratégia 2 O erro para uma bola não fornece qualquer informação sobre o comportamento da próxima bola. Ajustes do funil não diminuem futuros erros. Ao contrário, tendem a fazer com que o funil se mova para mais longe do alvo. Ajustes em processos sujeitos a variações randômicas em geral aumentam a variação do processo 31
118 Variabilidade da distância ao alvo: 2 vezes maior com a estratégia 2 Os ajustes do funil aumentaram os desvios do alvo. O erro para uma bola não fornece qualquer informação sobre o comportamento da próxima bola. Ajustes do funil não diminuem futuros erros. Ao contrário, tendem a fazer com que o funil se mova para mais longe do alvo. Ajustes em processos sujeitos a variações randômicas em geral aumentam a variação do processo 31
119 Variabilidade da distância ao alvo: 2 vezes maior com a estratégia 2 Os ajustes do funil aumentaram os desvios do alvo. O erro para uma bola não fornece qualquer informação sobre o comportamento da próxima bola. Ajustes do funil não diminuem futuros erros. Ao contrário, tendem a fazer com que o funil se mova para mais longe do alvo. Ajustes em processos sujeitos a variações randômicas em geral aumentam a variação do processo Overcontrol ou tampering 31
120 Desvio (shift) de duas unidades introduzido a partir da observação 50 e respectivo ajuste (2 un.) quando um desvio da média é detectado. Ajuste diminuiu o erro Fim da aula 1 32
121 Perturbação não-aleatória afetou o processo Quando aplicar ajustes e em quais quantidades? Use uma carta de controle Variabilidade natural (3 sd) 33
122 Controle de Processo Estatístico : ramo da estatística que faz uso de cartas de controle Indica o ponto onde ação corretiva é necessária no processo 34
123 > s := [stats[random, normald[0]](100)]; > p1 := [seq([i, s[i]], i = )]; > p2 := [[1, 0], seq([i, s[i]-s[i-1]], i = )]; > with(plots); > plot([p1, p2], axes = boxed, color = [red, blue]); Simulação do Experimento de Deming no Maple 35
124 36
125 1-3 Modelos Empíricos e Mecanísticos 36
126 1-3 Modelos Empíricos e Mecanísticos Suponha que queremos medir a corrente através de um fio de cobre, cujas extremidades estão sujeitas a uma diferença de potencial V. 36
127 1-3 Modelos Empíricos e Mecanísticos Suponha que queremos medir a corrente através de um fio de cobre, cujas extremidades estão sujeitas a uma diferença de potencial V. Modelo mecanístico usual: Lei de Ohm 36
128 1-3 Modelos Empíricos e Mecanísticos Suponha que queremos medir a corrente através de um fio de cobre, cujas extremidades estão sujeitas a uma diferença de potencial V. Modelo mecanístico usual: Lei de Ohm Modelo realístico da corrente observada: 36
129 1-3 Modelos Empíricos e Mecanísticos Suponha que queremos medir a corrente através de um fio de cobre, cujas extremidades estão sujeitas a uma diferença de potencial V. Modelo mecanístico usual: Lei de Ohm Modelo realístico da corrente observada: Fontes não modeladas de variabilidade que afetam o sistema 36
130 E 37
131 Alguns engenheiros trabalham com problemas para os quais não há um modelo mecanístico simples ou bem entendido que explique o fenômeno E 37
132 Alguns engenheiros trabalham com problemas para os quais não há um modelo mecanístico simples ou bem entendido que explique o fenômeno Exemplo: Determinar o peso molecular médio E de um polímero 37
133 Alguns engenheiros trabalham com problemas para os quais não há um modelo mecanístico simples ou bem entendido que explique o fenômeno Exemplo: Determinar o peso molecular médio E de um polímero 37
134 Alguns engenheiros trabalham com problemas para os quais não há um modelo mecanístico simples ou bem entendido que explique o fenômeno Exemplo: Determinar o peso molecular médio E viscosidade de um polímero temperatura catalisador Função desconhecida 37
135 Expansão em série de Taylor até primeira ordem: Fonte de variabilidade Modelo empírico Tal modelo usa o conhecimento científico sobre o fenômeno, mas não é construído diretamente a partir de teorias puras de primeiros princípios da teoria molecular. 38
136 Exemplo: Manufatura de Semicondutores O semicondutor acabado é ligado por fios a um suporte. Semiconductor die 39
137 40
138 Variáveis: Resistência à tração z (medida da intensidade da força necessária para romper a conexão) Comprimento do fio Altura do chip (die) 40
139 Variáveis: Resistência à tração z (medida da intensidade da força necessária para romper a conexão) Comprimento do fio Altura do chip (die) Problema: encontrar um modelo relacionando as três variáveis. 40
140 Variáveis: Resistência à tração z (medida da intensidade da força necessária para romper a conexão) Comprimento do fio Altura do chip (die) Problema: encontrar um modelo relacionando as três variáveis. Um modelo mecanístico não é aplicável aqui 40
141 41
142 Gráfico de pontos em Minitab 42
143 Maple Worksheet : mínimos quadrados >L := [[2, 50, 9.95], [8, 110, 24.45], [11, 120, 31.75], [10, 550, 35.00], [8, 295, 25.02], [4, 200, 16.86], [2, 375, 14.38], [2, 52, 9.60], [9, 100, 24.35], [8, 300, 27.50], [4, 412, 17.08], [11, 400, 37.00], [12, 500, 41.95], [2, 360, 11.66], [4, 205, 21.65], [4, 400, 17.89], [20, 600, 69.00], [1, 585, 10.30], [10, 540, 34.93], [15, 250, 46.59], [15, 290, 44.88], [16, 510, 54.12], [17, 590, 56.63], [6, 100, 22.13], [5, 400, 21.15]]: >n := nops(l); 25 >for i to n do x[i] := L[i][1]; y[i] := L[i][2]; z[i] := L[i][3] end do; 25 >err2 := Sum((z[k]-a*x[k]-b*y[k]-c)^2, k = 1.. n): > eqna := diff(value(err2), a) = 0; 4792 a b c = 0 > eqnb := diff(value(err2), b) = 0; a b c = 0 > eqnc := diff(value(err2), c) = 0; 412 a b + 50 c = 0 43
144 Maple Worksheet : mínimos quadrados (cont) > sols := solve({eqnb, eqnc, eqna}, {a, b, c}); {b = , a = , c = } > assign(sols); > with(plots); > p1 := plot3d(a*x+b*y+c, x = , y = ); > p2 := polyhedraplot(l, polyscale =.2, polytype = hexahedron); > display([p1, p2], axes = framed, shading = zhue, scaling = unconstrained); 44
145 > plano := z = a*x+b*y+c; z = x y
146 46
147 Probablilidade 46
148 Probablilidade Já vimos que decisões frequentemente necessitam ser baseadas somente em um subconjunto de objetos selecionados de uma amostra. 46
149 Probablilidade Já vimos que decisões frequentemente necessitam ser baseadas somente em um subconjunto de objetos selecionados de uma amostra. O processo de se partir de uma amostra para se chegar a conclusões sobre uma amostra foi chamado inferência estatística. 46
150 Probablilidade Já vimos que decisões frequentemente necessitam ser baseadas somente em um subconjunto de objetos selecionados de uma amostra. O processo de se partir de uma amostra para se chegar a conclusões sobre uma amostra foi chamado inferência estatística. Exemplo: Consideremos o problema de se estudar a resistividade de uma amostra de 3 wafers semicondutores, selecionados de uma linha de produção. 46
151 Probablilidade Já vimos que decisões frequentemente necessitam ser baseadas somente em um subconjunto de objetos selecionados de uma amostra. O processo de se partir de uma amostra para se chegar a conclusões sobre uma amostra foi chamado inferência estatística. Exemplo: Consideremos o problema de se estudar a resistividade de uma amostra de 3 wafers semicondutores, selecionados de uma linha de produção. Baseados nos dados de resistividade coletados nos 3 wafers da amostra desejamos obter conclusões sobre a resistividade de todos os wafers do lote. 46
152 47
153 Para que a análise seja efetiva, uma análise de quão bem uma amostra representa uma população é necessária. 47
154 Para que a análise seja efetiva, uma análise de quão bem uma amostra representa uma população é necessária. No presente caso: Se o lote contém wafers defeituosos, quão bem a amostra detectará o problema? 47
155 Para que a análise seja efetiva, uma análise de quão bem uma amostra representa uma população é necessária. No presente caso: Se o lote contém wafers defeituosos, quão bem a amostra detectará o problema? Necessitamos quantificar o critério quão bem. 47
156 Para que a análise seja efetiva, uma análise de quão bem uma amostra representa uma população é necessária. No presente caso: Se o lote contém wafers defeituosos, quão bem a amostra detectará o problema? Necessitamos quantificar o critério quão bem. Necessitamos quantificar os riscos das decisões baseadas em amostras. 47
157 Para que a análise seja efetiva, uma análise de quão bem uma amostra representa uma população é necessária. No presente caso: Se o lote contém wafers defeituosos, quão bem a amostra detectará o problema? Necessitamos quantificar o critério quão bem. Necessitamos quantificar os riscos das decisões baseadas em amostras. Como amostras devem ser selecionadas de modo a produzirem decisões com riscos aceitáveis? 47
158 Para que a análise seja efetiva, uma análise de quão bem uma amostra representa uma população é necessária. No presente caso: Se o lote contém wafers defeituosos, quão bem a amostra detectará o problema? Necessitamos quantificar o critério quão bem. Necessitamos quantificar os riscos das decisões baseadas em amostras. Como amostras devem ser selecionadas de modo a produzirem decisões com riscos aceitáveis? Modelos de probabilidade : ajudam a quantificar os riscos envolvidos na inferência estatística, ou seja, riscos envolvidos em feitas todos os dias. 47
159 48
160 Suponhamos que o lote contenha 25 wafers 48
161 Suponhamos que o lote contenha 25 wafers Suponhamos que somente um wafer no lote é defeituoso. Então a amostra poderia detectar ou não este wafer defeituoso. 48
162 Suponhamos que o lote contenha 25 wafers Suponhamos que somente um wafer no lote é defeituoso. Então a amostra poderia detectar ou não este wafer defeituoso. Um modelo de probabilidade, junto com um método para selecionar a amostra, pode ser utilizado para quantificar os riscos. Com base nesta análise o tamanho da amostra pode ser aumentado ou diminuído. 48
163 Suponhamos que o lote contenha 25 wafers Suponhamos que somente um wafer no lote é defeituoso. Então a amostra poderia detectar ou não este wafer defeituoso. Um modelo de probabilidade, junto com um método para selecionar a amostra, pode ser utilizado para quantificar os riscos. Com base nesta análise o tamanho da amostra pode ser aumentado ou diminuído. Interpretação do risco: suponhamos que uma série de lotes, cada um podendo conter um wafer defeituoso é examinado através de amostragem. aleatoriamente 48
164 A proporção de lotes nos quais um wafer defeituoso está incluído na amostra é a probabilidade de que o wafer defeituoso seja detectado. Mais espeficamente: o limite desta proporção quando o número de lotes tende a infinito é a probabilidade de que o wafer defeituoso seja detectado. Um modelo de probabilidade é usado para calcular esta proporção (pois não queremos medir infinitos lotes). 49
165 Termos e conceitos Analytic study Designed experiment Empirical model Engineering method Enumerative study Mechanistic model Observational study Overcontrol Population Probability model Problem-solving method Retrospective study Sample Statistical inference Statistical Process Control Statistical thinking Tampering Variability 50
166 2. Probabilidade 2-1 Espaços amostrais e eventos Experimentos randômicos Espaços amostrais Eventos 2-2 Interpretações de probabilidade Introdução Axiomas de probabilidade 2-3 Regras de adição 2-4 Probabilidade condicional 2-5 Regras de probabilidade total e multiplicação Regra de multiplicação Regra da probabilidade total 2-6 Independência 2-7 Teorema de Bayes 2-8 Variáveis randômicas 51
167 2-1 Espaços amostrais e eventos Experimentos aleatórios Exemplo: Medida da corrente em um fio de cobre 52
168 2-1 Espaços amostrais e eventos Experimentos aleatórios Exemplo: Medida da corrente em um fio de cobre Repetições da medida resultam em variabilidade de resultados devido à influência variáveis não controláveis 52
169 2-1 Espaços amostrais e eventos Experimentos aleatórios Exemplo: Medida da corrente em um fio de cobre Repetições da medida resultam em variabilidade de resultados devido à influência variáveis não controláveis Mudanças de temperatura ambiente Impurezas na composição química do fio Correntes de fuga 52
170 2-1 Espaços amostrais e eventos Experimentos aleatórios Exemplo: Medida da corrente em um fio de cobre Repetições da medida resultam em variabilidade de resultados devido à influência variáveis não controláveis Experimento possui uma componente randômica ou aleatória. Mudanças de temperatura ambiente Impurezas na composição química do fio Correntes de fuga 52
171 2-1 Espaços amostrais e eventos Experimentos aleatórios Exemplo: Medida da corrente em um fio de cobre Repetições da medida resultam em variabilidade de resultados devido à influência variáveis não controláveis Experimento possui uma componente randômica ou aleatória. Mudanças de temperatura ambiente Impurezas na composição química do fio Correntes de fuga Em alguns casos essas variações randômicas não podem ser ignoradas (dependendo de nossos objetivos). 52
172 Objetivos: quantificar e modelar os tipos de variações frequentemente encontrados. Incorporação da variação no nosso pensamento e análises Resultados que não são invalidados pela variação. Modelos e análises: Physical system Measurements Analysis Model 53
173 Incorporação de ruído (entradas não controláveis) no modelo Controlled variables Input System Output Noise variables Um experimento que pode resultar em diferentes resultados, mesmo quando ele é repetido do mesmo modo cada vez, é chamado um experimento aleatório ou randômico. 54
174 Exemplo: Lei de Ohm I = V R + 55
175 56
176 Projeto de um sistema de comunicações A capacidade de informação disponível a indivíduos que usam a rede é uma característica importante no design. 56
177 Projeto de um sistema de comunicações A capacidade de informação disponível a indivíduos que usam a rede é uma característica importante no design. Comunicação de voz : linhas externas suficientes devem ser compradas da companhia telefônica. 56
178 Projeto de um sistema de comunicações A capacidade de informação disponível a indivíduos que usam a rede é uma característica importante no design. Comunicação de voz : linhas externas suficientes devem ser compradas da companhia telefônica. Supondo que cada linha suporta somente uma conversação, quantas linhas devem ser compradas? 56
179 Projeto de um sistema de comunicações A capacidade de informação disponível a indivíduos que usam a rede é uma característica importante no design. Comunicação de voz : linhas externas suficientes devem ser compradas da companhia telefônica. Supondo que cada linha suporta somente uma conversação, quantas linhas devem ser compradas? Se poucas linhas forem compradas, chamadas podem ser postergadas ou perdidas. Se um excessivo número de linhas forem compradas o custo será muito alto. 56
180 Projeto de um sistema de comunicações A capacidade de informação disponível a indivíduos que usam a rede é uma característica importante no design. Comunicação de voz : linhas externas suficientes devem ser compradas da companhia telefônica. Supondo que cada linha suporta somente uma conversação, quantas linhas devem ser compradas? Se poucas linhas forem compradas, chamadas podem ser postergadas ou perdidas. Se um excessivo número de linhas forem compradas o custo será muito alto. Design e desenvolvimente são necessários para satisfazer as demandas dos clientes a um custo competitivo. 56
181 57
182 Um modelo é necessário para o número de chamadas e para a duração das chamadas. 57
183 Um modelo é necessário para o número de chamadas e para a duração das chamadas. Mesmo sabendo que na média as chamadas ocorrem a cada 5 min e que elas duram até 5 min não é suficiente. 57
184 Um modelo é necessário para o número de chamadas e para a duração das chamadas. Mesmo sabendo que na média as chamadas ocorrem a cada 5 min e que elas duram até 5 min não é suficiente. Se as chamadas chegarem em precisamente intervalos de 5 minutos e durarem precisamente 5 min, uma linha telefônica seria, a princípio, suficiente. 57
185 No entanto, uma pequena variação no número de chamadas ou duração resultaria em chamadas bloqueadas. Call Call duration Time Minutes Call Call duration Call 3 blocked Time Minutes 58
186 No entanto, uma pequena variação no número de chamadas ou duração resultaria em chamadas bloqueadas. Call Call duration Time Minutes Call Call duration Call 3 blocked Time Minutes Uma análise de modelos envolvendo variações é fundamental. 58
187 2-1.2 Espaços Amostrais 59
188 2-1.2 Espaços Amostrais Para modelar e analisar um experimento randômico devemos conhecer o conjunto dos possíveis resultados do experimento. 59
189 2-1.2 Espaços Amostrais Para modelar e analisar um experimento randômico devemos conhecer o conjunto dos possíveis resultados do experimento. Definição: O conjunto de todos os possíveis resultados de um experimento randômico é chamado espaço amostral do experimento (S). 59
190 2-1.2 Espaços Amostrais Para modelar e analisar um experimento randômico devemos conhecer o conjunto dos possíveis resultados do experimento. Definição: O conjunto de todos os possíveis resultados de um experimento randômico é chamado espaço amostral do experimento (S). Um espaço amostral é definido com base nos objetivos da análise. 59
191 Exemplo: Exemplo: molde 60
192 Exemplo: Exemplo: molde Problema: selecionar um conector plástico moldado, E medir sua espessura. 60
193 Exemplo: Exemplo: molde Problema: selecionar um conector plástico moldado, E medir sua espessura. Os possíveis valores da espessura dependem da resolução do instrumento de medida e também dos limites superior e inferior da espessura. 60
194 Exemplo: Exemplo: molde Problema: selecionar um conector plástico moldado, E medir sua espessura. Os possíveis valores da espessura dependem da resolução do instrumento de medida e também dos limites superior e inferior da espessura. Espaço de amostragem: reais positivos (valores negativos de espessura não podem ocorrer). 60
195 61
196 Se sabemos que todos os conectores têm espessura entre 10 e 11 mm o espaço amostral pode ser definido como 61
197 Se sabemos que todos os conectores têm espessura entre 10 e 11 mm o espaço amostral pode ser definido como Se o objetivo da análise é saber somente se uma parte particular tem espessura baixa, média ou alta, o espaço amostral será 61
198 Se sabemos que todos os conectores têm espessura entre 10 e 11 mm o espaço amostral pode ser definido como Se o objetivo da análise é saber somente se uma parte particular tem espessura baixa, média ou alta, o espaço amostral será Se o objetivo é saber se a parte está ou não em conformidade com as especificações de fabricação teremos simplesmente 61
199 Espaço de amostragem discreto: conjunto finito ou infinito contável de possibilidades. 62
200 Espaço de amostragem discreto: conjunto finito ou infinito contável de possibilidades. Espaço de amostragem contínuo : possibilidades são representadas por um intervalo, finito ou infinito, dos números reais. 62
201 Espaço de amostragem discreto: conjunto finito ou infinito contável de possibilidades. Espaço de amostragem contínuo : possibilidades são representadas por um intervalo, finito ou infinito, dos números reais. Exemplo 2-2 Dois conectores são selecionados e sua espessura é medida. O espaço de amostragem agora é 62
202 63
203 Se o objetivo da análise é considerar somente se as duas partes estão ou não de acordo com as especificações de fabricação. Então 63
204 Se o objetivo da análise é considerar somente se as duas partes estão ou não de acordo com as especificações de fabricação. Então Se estamos interessados no número de conectores em conformidade na amostra, então 63
205 Se o objetivo da análise é considerar somente se as duas partes estão ou não de acordo com as especificações de fabricação. Então Se estamos interessados no número de conectores em conformidade na amostra, então Consideremos um experimento em que a espessura é medida até que um conector não satisfaça as especificações. Então 63
206 Em experimentos randômicos onde os itens são selecionados de um lote, indicaremos se um item selecionado é ou não substituído antes da próxima seleção. 64
207 Em experimentos randômicos onde os itens são selecionados de um lote, indicaremos se um item selecionado é ou não substituído antes da próxima seleção. Por exemplo, se o lote consiste de 3 itens {a,b,c} e nosso experimento consiste em selecionar dois itens, sem substituição, o espaço de amostragem será representado por 64
208 Em experimentos randômicos onde os itens são selecionados de um lote, indicaremos se um item selecionado é ou não substituído antes da próxima seleção. Por exemplo, se o lote consiste de 3 itens {a,b,c} e nosso experimento consiste em selecionar dois itens, sem substituição, o espaço de amostragem será representado por 64
209 Em experimentos randômicos onde os itens são selecionados de um lote, indicaremos se um item selecionado é ou não substituído antes da próxima seleção. Por exemplo, se o lote consiste de 3 itens {a,b,c} e nosso experimento consiste em selecionar dois itens, sem substituição, o espaço de amostragem será representado por Ordem é mantida 64
210 Em experimentos randômicos onde os itens são selecionados de um lote, indicaremos se um item selecionado é ou não substituído antes da próxima seleção. Por exemplo, se o lote consiste de 3 itens {a,b,c} e nosso experimento consiste em selecionar dois itens, sem substituição, o espaço de amostragem será representado por Ordem é mantida Se o ordenamento não for necessário, 64
211 Se os itens selecionados são substituídos antes do próximo, o espaço de amostragem é dado por 65
212 Se os itens selecionados são substituídos antes do próximo, o espaço de amostragem é dado por 65
213 Se os itens selecionados são substituídos antes do próximo, o espaço de amostragem é dado por Se o ordenamento não for necessário, 65
214 Se os itens selecionados são substituídos antes do próximo, o espaço de amostragem é dado por Se o ordenamento não for necessário, 65
215 Algumas vezes não é necessário especificar o exato item selecionado, mas somente uma propriedade do item. 66
216 Algumas vezes não é necessário especificar o exato item selecionado, mas somente uma propriedade do item. Exemplo: Suponha que há 5 partes defeituosas e 95 partes boas em um lote. Para estudar a qualidade do lote, dois itens são selecionados, sem substituição. 66
217 Algumas vezes não é necessário especificar o exato item selecionado, mas somente uma propriedade do item. Exemplo: Suponha que há 5 partes defeituosas e 95 partes boas em um lote. Para estudar a qualidade do lote, dois itens são selecionados, sem substituição. Notação: b : parte boa d : parte defeituosa 66
218 Algumas vezes não é necessário especificar o exato item selecionado, mas somente uma propriedade do item. Exemplo: Suponha que há 5 partes defeituosas e 95 partes boas em um lote. Para estudar a qualidade do lote, dois itens são selecionados, sem substituição. Notação: b : parte boa d : parte defeituosa É possível que seja suficiente descrever o espaço de amostragem (ordenado) em termos da qualidade de cada parte selecionada como 66
219 Algumas vezes não é necessário especificar o exato item selecionado, mas somente uma propriedade do item. Exemplo: Suponha que há 5 partes defeituosas e 95 partes boas em um lote. Para estudar a qualidade do lote, dois itens são selecionados, sem substituição. Notação: b : parte boa d : parte defeituosa É possível que seja suficiente descrever o espaço de amostragem (ordenado) em termos da qualidade de cada parte selecionada como Nota: esta descrição do espaço de amostragem não mostra que há muito mais pares bb que dd, por exemplo. Isso será levado em conta quando computarmos as probabilidades mais tarde. 66
220 Se houver somente uma parte defeituosa no lote, o espaço de amostragem seria 67
221 Se houver somente uma parte defeituosa no lote, o espaço de amostragem seria 67
222 Diagramas de árvores Exemplo 2-3 Cada mensagem em um sistema de comunicação digital é classificada de acordo com fato dela ser ou não recebida dentro de um tempo especificado no design do sistema. Espaço de amostragem: l - late t - on time 68
223 Árvore do espaço de amostragem Message 1 on time late Message 2 on time late on time late Message 3 on time late on time late on time late on time late 69
224 Exemplo 2.4 Um fabricante de automóveis fornece veículos com opções selecionadas. Cada veículo pode ter as seguintes opções: 70
225 Exemplo 2.4 Um fabricante de automóveis fornece veículos com opções selecionadas. Cada veículo pode ter as seguintes opções: Com ou sem transmissão automática Com ou sem ar-condicionado Uma de três opções de equipamento de som Uma de quatro opções de cor exterior 70
Probabilidade e Estatística 2008/1
Probabilidade e Estatística 2008/1 Prof. Fernando Deeke Sasse fernandodeeke@gmail.com Departamento de Matemática CCT - UDESC 1 Aula 1, 28/7/2008 1. O papel da Estatística na Engenharia 1. O método da engenharia
Leia maisProbabilidade e Estatística 2009/2
Probabilidade e Estatística 2009/2 Prof. Fernando Deeke Sasse fernandodeeke@gmail.com Departamento de Matemática CCT - UDESC 1 1. O papel da Estatística na Engenharia 1. O método da engenharia (científico)
Leia mais2. Probabilidade. Aula 3
Aula 3 2. Probabilidade 2-1 Espaços de amostragem e eventos 2-1.1 Experimentos randômicos 2-1.2 Espaços de amostragem 2-1.3 Eventos 2-2 Interpretações de probabilidade 2-2.1 Introdução 2-2.2 Axiomas de
Leia maisO Papel da Estatística em áreas do conhecimento
O Papel da Estatística em áreas do conhecimento 2012/02 Site: http://www.est.ufmg.br/ marcosop e-mail: marcosop@est.ufmg.br 1 O Pensamento Estatístico 2 3 4 Distribuição de Pontos 3 provas - 30, 35 e 35
Leia maisO Papel da Estatística em outras áreas
5 de Março de 2012 Site: http://ericaestatistica.webnode.com.br/ e-mail: ericaa_casti@yahoo.com.br O método de Engenharia e o Pensamento Estatístico Distribuição de Pontos 3 provas - 30 pontos cada; Listas
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS)
DISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS) O QUE É ESTATÍSTICA Estatística é a ciência de obter conclusões a partir de dados. Envolve métodos para
Leia maisVariáveis Frequências Gráficos Medidas de Posição Medidas de Dispersão Medidas Complementares Inferência
Tipos de Variáveis Problema Motivador: Um pesquisador está interessado em fazer um levantamento sobre aspectos sócio-econômicos dos empregados da seção de orçamentos de uma companhia (vide tabela). Algumas
Leia maisESTATÍSTICA PARTE 1 OBJETIVO DA DISCIPLINA
ESTATÍSTICA PARTE 1 OBJETIVO DA DISCIPLINA Apresentar a Estatística no contexto do dia-a-dia e fazendo uso da planilha Excel. Espera-se que o estudante ao término do curso esteja apto a usar a planilha
Leia maisCap. 1 - O Papel da Estatística na Engenharia 1. Objetivos de Aprendizagem. UFMG-ICEx-EST-027/031 14/08/ :27. Cap. 1 - O Papel da Estatística na
-027/031 14/08/2018 20:27 1 ESQUEMA DO CAPÍTULO O Papel da Estatística na 1.1 O MÉTODO DE ENGENHARIA E O JULGAMENTO ESTATÍSTICO 1.1.1 e resolução de problemas 1.1.2 1.2 COLETA DE DADOS EM ENGENHARIA 1.3
Leia maisO Papel da Estatística na Engenharia
O Papel da Estatística na ESQUEMA DO CAPÍTULO 1.1 O MÉTODO DE ENGENHARIA E O JULGAMENTO ESTATÍSTICO 1.1.1 e resolução de problemas 1.1.2 Julgamento Estatístico 1.2 COLETA DE DADOS EM ENGENHARIA 1.3 MODELOS
Leia maisAnálise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisCap. 1 - O Papel da Estatística na Engenharia 1. Objetivos de Aprendizagem. UFMG-ICEx-EST-027/031 01/08/ :35. Cap. 1 - O Papel da Estatística na
-027/031 01/08/2013 09:35 1 ESQUEMA DO CAPÍTULO O Papel da Estatística na 1.1 O MÉTODO DE ENGENHARIA E O JULGAMENTO ESTATÍSTICO 1.1.1 e resolução de problemas 1.1.2 1.2 COLETA DE DADOS EM ENGENHARIA 1.3
Leia maisProbabilidade e Estatística, 2009/2
Probabilidade e Estatística, 2009/2 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Testes de Hipóteses 1. Uma empresa de manufatura têxtil está testando rolos de fio que o fornecedor afirma
Leia maisEstatística. Aula 1 -Fundamentos e conceitos básicos (Notas de aula) Prof. Idemauro Antonio Rodrigues de Lara
Estatística Aula 1 -Fundamentos e conceitos básicos (Notas de aula) Prof. Idemauro Antonio Rodrigues de Lara Objetivo da disciplina Adquirir conhecimento dos fundamentos da Estatística, em seus campos
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a variância de
Leia maisEstatística. Conjunto de métodos e processos quantitativos que serve para estudar e medir os fenômenos coletivos ou de massa.
Faculdade de Tecnologia Senac Pelotas Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas Matemática Aplicada Prof. Edécio Fernando Iepsen Estatística Variáveis Qualitativas, Quantitativas
Leia maisFerramentas para a Qualidade
Diagrama de processo: seu objetivo é a listagem de todas as fases do processo de forma simples e de rápida visualização e entendimento. Quando há decisões envolvidas pode-se representar o diagrama de processo
Leia maisCAPÍTULO 8. de Variância - ANOVA ANOVA. Análise
CAPÍTULO 8 Análise de Variância - UFRGS Os testes de hipótese apresentados até aqui limitaram-se à comparação de duas médias ou duas variâncias. Contudo, há situações onde se deseja comparar várias médias,
Leia maisAULA 11 Experimentos Multinomiais e Tabelas de Contingência
1 AULA 11 Experimentos Multinomiais e Tabelas de Contingência Ernesto F. L. Amaral 24 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG)
Leia maisMatemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA DE AMORA PLANIFICAÇÃO ANUAL Matemática Aplicada às Ciências Sociais Ensino Regular Curso Geral de Ciências Sociais e Humanas 11º ANO Ano Letivo 2014 / 2015 PLANIFICAÇÃO A LONGO PRAZO
Leia maisO Papel da Estatística na Engenharia. Objetivos de Aprendizagem. UFMG-ICEx-EST-032/045 01/09/ :01
0 ESQUEMA DO CAPÍTULO O Papel da Estatística na Engenharia Montgomery, D. C. & Runger, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Cap. 1. 5ª Ed., LTC Livros Técnicos e Científicos Editora
Leia maisPopulação e Amostra POPULAÇÃO AMOSTRA AMOSTRAGEM TIPOS DE AMOSTRAGEM I. Amostra probabilística: II. Amostra não-probabilística
População e Amostra POPULAÇÃO A palavra população, na sua acepção mais comum, representa o conjunto de habitantes de uma dada região em determinado período. Em estatística, população (ou universo) é o
Leia maisO Papel da Estatística na Engenharia
ESQUEMA DO CAPÍTULO O Papel da Estatística na Engenharia Montgomery, D. C. & Runger, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Cap. 1. 5ª Ed., LTC Livros Técnicos e Científicos Editora
Leia maisApresentação de Dados
Probabilidade e Estatística CCT - UDESC Apresentação de Dados Departamento de Matemática CCT-UDESC 1 Média amostral Variância amostral 2 Média populacional 3 3 Variância amostral 4 Fórmula eficiente para
Leia maisProbabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra
Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra Fernando Deeke Sasse 14 de maio de 2010 Introdução Quão boa é uma dada estimação de um parâmetro? Suponha que estimamos
Leia maisUNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO
UNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO SAD Sistemas de Apoio à Decisão 2011/02 Aula Cinco crishamawaki@yahoo.com.br Modelos de decisão Sistemas de
Leia maisMAE116 - Noções de Estatística
MAE116 - Noções de Estatística Grupo A - 1 semestre de 2015 Gabarito da Lista de exercícios 10 - Introdução à Estatística Descritiva - CASA Exercício 1. (2 pontos) Sabe-se que, historicamente, 18% dos
Leia maisIntrodução. Ou seja, de certo modo esperamos que haja uma certa
UNIVERSIDADE FEDERAL DA PARAÍBA Teste de Independência Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Um dos principais objetivos de se construir uma tabela de contingência,
Leia maisGUIA PARA A REALIZAÇÃO DE ESTUDOS DE ESTABILIDADE DE PRODUTOS SANEANTES
GUIA PARA A REALIZAÇÃO DE ESTUDOS DE ESTABILIDADE DE PRODUTOS SANEANTES A estabilidade de produtos saneantes depende de fatores ambientais como temperatura, umidade e luz, e de outros inerentes ao produto
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Qui-quadrado, t-student e F de Snedecor 04/14
Leia maisIND 1115 Inferência Estatística Aula 8
Conteúdo IND 5 Inferência Estatística Aula 8 Setembro 4 Mônica Barros O - aproximação da Binomial pela Este teorema é apenas um caso particular do teorema central do limite, pois uma variável aleatória
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia maisAMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA META Dimensionar o tamanho ideal de amostra para cada população.
Leia maisErros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
Leia maisTeste de Hipótese e Intervalo de Confiança. Parte 2
Teste de Hipótese e Intervalo de Confiança Parte 2 Questões para discutirmos em sala: O que é uma hipótese estatística? O que é um teste de hipótese? Quem são as hipóteses nula e alternativa? Quando devemos
Leia maisTécnicas estatísticas para análise de dados e de resultados de modelos de simulação
Parte XIV Técnicas estatísticas para análise de dados e de resultados de modelos de simulação A saída de um modelo de simulação geralmente constitui-se de VA s, muitas das quais podem ter variância grande.
Leia maisPrograma de Ciências Experimentais 2012-2013
Programa de Ciências Experimentais 2012-2013 I Teoria 1 Introdução 2 Conceitos úteis 2.1 Ordem de grandeza 2.1.1 Introdução 2.1.2 Definição 2.1.3 Representação científica de um número 2.1.4 Ordem de grandeza
Leia maisMedidas de Localização
MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS RESUMO Estatística 2 Medidas de Localização e Dispersão 10º ano Cláudia Henriques Medidas de Localização Estatísticas Medidas que se calculam a partir dos dados
Leia maisBIOESTATÍSTICA. Parte 1 - Estatística descritiva e análise exploratória dos dados
BIOESTATÍSTICA Parte 1 - Estatística descritiva e análise exploratória dos dados Aulas Teóricas de 17/02/2011 a 03/03/2011 1.1. População, amostra e dados estatísticos. Dados qualitativos e quantitativos
Leia maisQuanto aos objetivos TIPO DE PESQUISA
TIPO DE PESQUISA Quanto aos objetivos Segundo Gil (2002), uma pesquisa, tendo em vista seus objetivos, pode ser classificada da seguinte forma: a) Pesquisa exploratória: Esta pesquisa tem como objetivo
Leia maisAula 6 Propagação de erros
Aula 6 Propagação de erros Conteúdo da aula: Como estimar incertezas de uma medida indireta Como realizar propagação de erros? Exemplo: medimos A e B e suas incertezas. Com calcular a incerteza de C, se
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 3
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 3 1. Chapas de uma liga metálica de mesma procedência foram submetidas, de forma aleatória, a três diferentes tratamentos térmicos: A, B e C.
Leia maisAULA 04 Estimativas e Tamanhos Amostrais
1 AULA 04 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 27 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisCorrelação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Leia maisPlano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Leia maisProbabilidade III. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período 2014.1
Probabilidade III Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.1 Ulisses Umbelino (DE-UFPB) Probabilidade III Período 2014.1 1 / 42 Sumário 1 Apresentação
Leia maisProbabilidade e Estatística, 2011/2
média verdadeira de 104F? Estabeleçamos a média 100F como um limite não tolerado:, Probabilidade e Estatística, 2011/2 CCT - UDESC Prof. Fernando Deeke Sasse Testes de Hipóteses Problemas Resolvidos em
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS» PROBABILIDADE E ESTATÍSTICA «21. Uma fábrica, que produz pequenas peças utilizadas em materiais eletrônicos, armazena essa mercadoria em lotes com 1000 unidades. Inspecionada
Leia maisPlano de Ensino PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA - CCE0292
Plano de Ensino PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA - CCE0292 Título PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA Código da disciplina SIA CCE0292 16 Número de semanas de aula 4 Número
Leia maisNORMA TÉCNICA PARA RECEBIMENTO DE BENS DE INFORMÁTICA PELA METODOLOGIA DE INSPEÇÃO POR ATRIBUTOS. Referência: NT-AI.03.05.01. Data: 17/04/2.
NORMA TÉCNICA PARA RECEBIMENTO DE BENS DE INFORMÁTICA PELA METODOLOGIA DE INSPEÇÃO POR ATRIBUTOS Referência: NT-AI.03.05.01 http://www.unesp.br/ai/pdf/nt-ai.03.05.01.pdf Data: 17/04/2.001 STATUS: PRELIMINAR
Leia maisProbabilidade. Distribuição Binomial
Probabilidade Distribuição Binomial Distribuição Binomial (Eperimentos de Bernoulli) Considere as seguintes eperimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na mosca
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística The Science of collecting and analyzing data for the purpose of drawing
Leia maisCONCEITOS BÁSICOS EM METODOLOGIA QUANTITATIVA
CONCEITOS BÁSICOS EM METODOLOGIA QUANTITATIVA ETAPAS DA PESQUISA PROBLEMA DE PESQUISA DESENHO DE ESTUDO COLETA DE DADOS ANÁLISE E INTERPRETAÇÃO DOS DADOS Rosane Luzia de Souza Morais Diamantina, 2013 APRESENTAÇÃO
Leia maisEstimação. Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança
Estimação Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança Motivação A partir da média de uma a amostra em uma colheita recente, o conselho de qualidade
Leia maisEstatística AMOSTRAGEM
Estatística AMOSTRAGEM Estatística: É a ciência que se preocupa com a coleta, a organização, descrição (apresentação), análise e interpretação de dados experimentais e tem como objetivo fundamental o estudo
Leia maisMedidas de Tendência Central. Introdução Média Aritmética Moda Mediana
Medidas de Tendência Central Introdução Média Aritmética Moda Mediana Introdução A maioria dos dados apresenta uma tendência de se concentrar em torno de um ponto central Portanto, é possível selecionar
Leia maisEQUILÍBRIO QUÍMICO: é o estado de um sistema reacional no qual não ocorrem variações na composição do mesmo ao longo do tempo.
IV INTRODUÇÃO AO EQUILÍBRIO QUÍMICO IV.1 Definição EQUILÍBRIO QUÍMICO: é o estado de um sistema reacional no qual não ocorrem variações na composição do mesmo ao longo do tempo. Equilíbrio químico equilíbrio
Leia maisMelhorias de Processos segundo o PDCA Parte IV
Melhorias de Processos segundo o PDCA Parte IV por José Luis S Messias, em qualidadebrasil.com.br Introdução Em prosseguimento aos artigos escritos sobre PDCA, escrevo hoje sobre a terceira fase da etapa
Leia maisGESTÃO DA MANUTENÇÃO
Classificação Nível de Criticidade para Equipamentos S Q W Itens para avaliação Segurança cliente interno cliente externo meio-ambiente Qualidade Condição de trabalho Status Equipamento A B D P M Perdas
Leia maisEstatística - exestatmedposic.doc 25/02/09
Medidas de Posição Introdução Vimos anteriormente que, através de uma distribuição de freqüências se estabelece um sistema de classificação que descreve o padrão de variação de um determinado fenômeno
Leia maisClassificação da Pesquisa:
Classificação da Pesquisa: Do ponto de vista da sua natureza, ou seja, aquilo que compõe a substância do ser ou essência da pesquisa. Pesquisa Pura: Pesquisa Aplicada: Objetiva gerar conhecimentos novos
Leia maisEngenharia Econômica
Engenharia Econômica Aula 1: Conceitos Básicos Lucas Motta Universidade Federal de Pernambuco 23 de Março de 2015 Engenharia Econômica Definição Trata-se de um estudo econômico e financeiro de um projeto,
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisAGRUPAMENTO DE ESCOLAS DA SÉ GUARDA. MATEMÁTICA B Curso de Artes Visuais
Direção-Geral dos Estabelecimentos Escolares Direção de Serviços da Região Centro AGRUPAMENTO DE ESCOLAS DA SÉ GUARDA MATEMÁTICA B Curso de Artes Visuais ANO LECTIVO: 2015/2016 11º ANO 1º PERÍODO PLANIFICAÇÃO
Leia maisMedidas de Tendência Central
Média, Mediana e Moda 1 Coletando Dados A coleta de dados produz um conjunto de escores de uma ou mais variáveis Para chegar à distribuição dos escores, estes têm de ser arrumados / ordenados do menor
Leia maisAnálise estatística. Aula de Bioestatística. 17/9/2008 (2.ª Parte) Paulo Nogueira
Análise estatística Aula de Bioestatística 17/9/2008 (2.ª Parte) Paulo Nogueira Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs.
Leia maisControle Estátistico de Processo.
Relatório de estudo dos fios. Controle Estátistico de Processo. Indice Item Assunto. Pág. Análise estatística C.E.P. 04 1 Introdução. 04 2 Controle estatístico do processo. 04 2.1 Definição. 04 2.3 Objetivo
Leia maisCurso de Análise Estatística Comparação entre variáveis contínuas: correlação e regressão Linear
NÚCLEO DE ESTATÍSTICA E METODOLOGIA APLICADAS Desenvolvendo conhecimento para a excelência dos cuidados em saúde mental UNIVERSIDADE FEDERAL DE SÃO PAULO Curso de Análise Estatística Comparação entre variáveis
Leia maisExperimento. Guia do professor. Séries temporais. Governo Federal. Ministério da Educação. Secretaria de Educação a Distância
Análise de dados e probabilidade Guia do professor Experimento Séries temporais Objetivos da unidade 1. Discutir e propagar, através de uma atividade, alguns conceitos de estatística; 2. Desenvolver a
Leia maisEstatística II Aula 4. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula 4 Prof.: Patricia Maria Bortolon, D. Sc. Fundamentos do Teste de Hipóteses Teste de Hipóteses - Definições É uma regra de decisão para aceitar, ou rejeitar, uma hipótese estatística
Leia maisConteúdo. 1 Introdução. Histograma do Quinto Sorteio da Nota Fiscal Paraná 065/16. Quinto Sorteio Eletrônico da Nota Fiscal Paraná
Quinto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
Leia maisEstimativa da taxa de desemprego em abril: 13,0%
2 de junho de Estimativas Mensais de Emprego e Desemprego abril de Estimativa da taxa de desemprego em abril: 13,0% A estimativa provisória da taxa de desemprego para abril de situa-se em 13,0%, valor
Leia maisConteúdo. 1 Introdução. Histograma do 1o Sorteio da Nota Fiscal Paraná 152/15. 1º Sorteio Eletrônico da Nota Fiscal Paraná
1º Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este relatório apresenta uma análise estatística
Leia mais3 Metodologia. 3.1 Tipo de pesquisa
3 Metodologia Este capítulo descreve os princípios metodológicos adotados no estudo, bem como os procedimentos escolhidos para a coleta e análise dos dados, além das considerações sobre as possíveis limitações
Leia maisIntrodução a Estatística. Definição da estatística. Classificação de dados. Planejamento de experimentos.
Introdução a Estatística Definição da estatística. Classificação de dados. Planejamento de experimentos. O QUE É ESTATÍSTICA? É um conjunto de técnicas e métodos de pesquisa que entre outros tópicos envolve
Leia maisCOMO DETERMINAR O IMPACTO DAS VARIAÇÕES PERCENTUAIS
COMO DETERMINAR O IMPACTO DAS VARIAÇÕES! O que é Variação Percentual?! O que é Número Índice?! Como transformar um valor percentual em valor decimal?! Como comparar diferentes taxas percentuais?! Como
Leia maisCarta de controle para o desvio-padrão
Carta de controle para o desvio-padrão O desvio padrão é um indicador mais eficiente da variabilidade, principalmente para amostras grandes (a amplitude perde eficiência). Recomenda-se o uso da carta Xb
Leia maisTeoria da medida. Aspectos Gerais
Teoria da medida Aspectos Gerais Métodos quantitativos São aqueles que se utilizam de cálculos matemáticos e estatísticos para a investigação de uma realidade natural ou social. Objetivos: avaliar o contexto
Leia maisInspeção de Qualidade
Roteiro Inspeção de Qualidade 1. Inspeção para Aceitação 2. Planos de Amostragem Simples 3. Determinação Plano de Amostragem 4. Inspeção Retificadora 5. Plano de Amostragem Dupla 6. Planos de Amostragem
Leia maisAULA 06 A Ciência e as Ciências Sociais
1 AULA 06 A Ciência e as Ciências Sociais Ernesto F. L. Amaral 20 de agosto de 2010 Metodologia (DCP 033) Fonte: Babbie, Earl. Métodos de Pesquisas de Survey. 2001. Belo Horizonte: Editora UFMG. pp.57-76.
Leia maisUnidade 13 Introdução à Dinâmica Impulsiva. Introdução Quantidade de Movimento Impulso Teorema do Impulso
Unidade 13 Introdução à Dinâmica Impulsiva Introdução Quantidade de Movimento Impulso Teorema do Impulso Introdução Em um acidente automobilístico, nem sempre é fácil descobrir quem foi o culpado. Por
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 8.º ANO PLANIFICAÇÃO GLOBAL 1. Representação, comparação e ordenação. Representar números racionais
Leia maisEstatística Industrial
Apresentação Estatística Industrial Prof. Lupércio F. Bessegato Departamento de Estatística UFJF E-mail: lupercio.bessegato@ufjf.edu.br Site: www.ufjf.br/lupercio_bessegato Linhas de pesquisa: Controle
Leia maisO QUE É AMOSTRAGEM? PARTE I
O QUE É AMOSTRAGEM? PARTE I! Teoria da amostragem! População x Amostra! O problema do censo! Amostragem probabilística e não probabilística Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas
Leia maisOs dados quantitativos também podem ser de natureza discreta ou contínua.
Natureza dos Dados Às informações obtidas acerca das características de um conjunto dá-se o nome de dado estatístico. Os dados estatísticos podem ser de dois tipos: qualitativos ou quantitativos. Dado
Leia maisRegressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
Leia maisCapítulo 1. Uma Introdução à Econometria
Capítulo 1 Uma Introdução à Econometria Livro Texto:Econometria Hill, Grifith e Judge Editora Saraiva 1a. Edição 1999. Software: GRETL 1.1 Por que se estuda Econometria? Econometria é um conjunto de ferramentas
Leia maisObjetivos da disciplina:
Aplicar e utilizar princípios de metrologia em calibração de instrumentos e malhas de controle. Objetivos da disciplina: Aplicar e utilizar princípios de metrologia calibração de instrumentos e malhas
Leia maisDistribuições Conjuntas (Tabelas de Contingência)
Cruzamento de Dados Distribuições Conjuntas (Tabelas de Contingência) Lorí Viali, Dr. DESTAT/FAMAT/PUCRS viali@pucrs.br http://www.pucrs.br/famat/viali Distribuição Conjunta Exemplo (tabela um) Suponha
Leia maisPreparação para a Certificação de Engenheiro da Qualidade 1
Preparação para a Certificação de Engenheiro da Qualidade 1 OBJETIVOS DO CURSO Apresentar aos participantes os conteúdos do Corpo de Conhecimento necessários à certificação, possibilitando que aprimorem
Leia maisFerramenta 5W2H. ferramentas apresentadas. Definir: 10/03/2011
ferramentas apresentadas 1. Brainstorming 2. Estratificação 3. Folha de Verificação 4. Diagrama de Pareto 5. Gráfico sequencial / carta de tendência 6. Diagrama de causa e feito 7. Diagrama de Dispersão
Leia mais3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
Leia maisJogos Bayesianos Estratégias e Equilíbrio Aplicações. Jogos Bayesianos. Prof. Leandro Chaves Rêgo
Jogos Bayesianos Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Estatística - UFPE Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Outubro de 2014 Jogos Bayesianos Jogos
Leia maisDistribuição Binomial e Normal
Distribuição Binomial e Normal O que se pretende, neste módulo, é apresentar dois modelos teóricos de distribuição de probabilidade, aos quais um experimento aleatório estudado possa ser adaptado, o que
Leia maisVamos denotar por C o evento balancete de custo e por O o evento balancete de orçamento. Temos: #O = 4 #C = 3 # = 7 Logo, Pr(O) =4/7 Pr(C) =2/7
AEDB - 2ª BI Probabilidade e Estatística - 2 o Ano 2011 - Prof: Roberto Campos Leoni Simulado 1. Em um arquivo há 4 balancetes de orçamento e 3 balancetes de custos. Em uma auditoria, o auditor seleciona
Leia maisCongruências Lineares
Filipe Rodrigues de S Moreira Graduando em Engenharia Mecânica Instituto Tecnológico de Aeronáutica (ITA) Agosto 006 Congruências Lineares Introdução A idéia de se estudar congruências lineares pode vir
Leia maisElaboração e Análise de Projetos
Elaboração e Análise de Projetos Análise de Mercado Professor: Roberto César ANÁLISE DE MERCADO Além de ser o ponto de partida de qualquer projeto, é um dos aspectos mais importantes para a confecção deste.
Leia maisFACULDADE PITÁGORAS. DISCIPLINA: Probabilidade e Estatística Prof. Msc. Carlos José Giudice dos Santos
FACULDADE PITÁGORAS DISCIPLINA: Probabilidade e Estatística Prof. Msc. Carlos José Giudice dos Santos Autora do Conteúdo: Profa. Thatiane Cristina dos Santos de Carvalho Ribeiro Complementação do conteúdo
Leia maisANÁLISE DE FALHAS DE COMPUTADORES
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DANIELE APARECIDA DE OLIVEIRA VERANICE POLATO ANÁLISE DE FALHAS DE COMPUTADORES LINHA DE PESQUISA: Projeto de Pesquisa apresentado à disciplina de
Leia mais